Ecole doctorale STIC´
Unit´e de recherche : Automatique, Traitement du Signal et des Images
Th` ese de doctorat
Pr´esent´ee en vue de l’obtention du grade de docteur en
Sciences et Technologies de l’Information et de la Communication de
l’UNIVERSIT´E C ˆOTE D’AZUR
par
Xiwen JIANG
MIMO Massif : transformer le concept en r´ ealit´ e en exploitant la r´ eciprocit´ e du canal
Dirig´ee parFlorian Kaltenberger Co-encadr´ee parLuc Deneire
Soutenue le 4 Octobre 2017 Devant le jury compos´e de :
David Gesbert Professeur, EURECOM Pr´esident du jury FredrikTufvesson Professeur, Lund University Rapporteur GuillaumeVillemaud Maˆıtre de Conf´erences, INSA Lyon Rapporteur MarkBeach Professeur, University of Bristol Examinateur Maxime Guillaud Docteur, Huawei Technologies Examinateur FlorianKaltenberger Maˆıtre de Conf´erences, EURECOM Directeur de th`ese LucDeneire Professeur, Universit´e Cˆote d’Azur Codirecteur de th`ese
Ecole doctorale STIC´
Specialization: Automatic, Signal and Image Processing
In Partial Fulfillment of the Requirements for the Degree of Doctor in the scientific domain of
Information Technologies from
UNIVERSIT´E C ˆOTE D’AZUR
by
Xiwen JIANG
Massive MIMO: turning concept into reality by exploiting the channel reciprocity
Supervised byFlorian Kaltenberger Co-supervised byLuc Deneire
Defended on October 4, 2017 Before a committee composed of:
David Gesbert Professor, EURECOM President of the Jury FredrikTufvesson Professor, Lund University Reviewer
GuillaumeVillemaud Associate Professor, INSA Lyon Reviewer MarkBeach Professor, University of Bristol Examiner Maxime Guillaud Doctor, Huawei Technologies Examiner
FlorianKaltenberger Associate Professor, EURECOM Thesis supervisor LucDeneire Professor, Universit´e Cˆote d’Azur Thesis co-supervisor
Abstract
Massive multiple-input multiple-output (MIMO) is considered as one of the key technolo- gies that will enable the next generation of wireless communications. In order to perform downlink (DL) beamforming algorithms with large antenna arrays, the biggest challenge is the acquisition of accurate channel state information at the transmitter (CSIT). To take up this challenge, time division duplex (TDD) is favorable to massive MIMO systems thanks to its channel reciprocity in DL and uplink (UL). However, while the physical chan- nel in the air is reciprocal, the radio-frequency (RF) front-ends in transceivers are not;
therefore, calibration should be used in practical systems to compensate the RF hardware asymmetry.
In this thesis, we focus on turning massive MIMO concept into reality based on TDD reci- procity calibration. The contributions can be summarized as follows. First, we propose a unified framework for reciprocity calibration, which generalizes various calibration meth- ods existing in literature, providing a higher level view on the calibration problem as well as opening up possibilities of numerous innovations on calibration methods. Second, based on this general representation, we propose three new calibration schemes: a fast calibration method based on antenna grouping, a calibration scheme for hybrid beamforming architec- ture, as well as a calibration parameter tracking and system health monitoring mechanism which allows fast detection of parameter change. Third, we carried out measurements of calibration parameters on a real platform in order to reveal the hardware properties.
Fourth, we study, from a system point of view, how accurately a TDD massive MIMO system should be calibrated. Last but not least, enabled by TDD reciprocity calibration, we build up an open source long term evolution (LTE) compatible massive MIMO testbed based on the OpenAirInterface platform, which can directly provide Internet service to a commercial device. The testbed demonstrates the feasibility of integrating massive MIMO into current 3rd Generation Partnership Project (3GPP) standards and its usage in 5G can be a smooth evolution from current 4G systems.
Abstract
Acknowledgments
I still remember my first day at EURECOM. When Florian Kaltenberger, my Ph.D. ad- visor, guided me around the laboratory, I was astonished by the equipment in front of my eyes, as I was expecting a Ph.D. student’s life would be accompanied by papers rather than devices, cables and antennas. Life is full of surprises, and that is the exciting part about it. It later turns out that a research, not only about reading and writing but also about doing something concrete that bridges theory and practice, is a great adventure. This enjoyment would never be possible without Florian’s guidance, advices and support. He is always ready to listen to my new ideas, sometimes crazy or stupid ones, then challenges me and helps me go deeper. His impressive qualities in the academy as well as his cool personality gave me a flexible and enjoyable environment to fully explore my potential in accomplishing the research work.
I am also grateful to my co-supervisor Luc Deneire for offering me the opportunity to start the work. His inspiring advices and continued support have greatly helped me solve a lot of challenging problems and make progress in my research.
During the last three years, I had the chance to work with many highly talented researchers, professors and students from both Eurecom and Huawei Technologies (Paris). The joyful and fruitful discussion and cooperation with them either have brought many of my primary ideas to mathematically sound theories or have helped me in realizing and implementing new concepts. I would like to thank Kalyana Gopala, Dirk Slock, Maxime Guillaud, Alexis Decurninge, Raymond Knopp, Cedric Roux for their help. I feel honored to have had the chance to work with them.
I was lucky to meet many friends at EURECOM and more generally in the south of France.
Their friendship and the colorful moments we had together will be unforgettable in my life. I would like to express my thankfulness to them: Jingjing, Junting, Robins, Elena, Haifan, Xinping, Yongchao, Shengyun, Qianrui, Chia-Yu, Luhan, Shuang, Pierre-Mayeul, Jianshu and many other friends.
I would like to thank my girlfriend, Yuyao, for her love and spiritual support. Her encour- agement makes me go through many difficult moments and pursue higher goals.
Finally, my profound gratitude goes to my parents. They have made tremendous sacrifices throughout their lives to support their son in going out from a small town and realizing his dream. Their unconditional love and long-standing support makes me ambitious to achieve great things in my life.
Acknowledgments
Contents
Abstract v
Acknowledgments vii
List of Figures xvi
List of Tables xvii
Acronyms xix
Notations xxi
1 R´esum´e [Fran¸cais] 1
1.1 Abr´eg´e . . . 1
1.2 Introduction . . . 2
1.2.1 Motivation . . . 3
1.2.2 Contributions . . . 4
1.2.3 M´ethodes de calibration de la r´eciprocit´e du canal TDD . . . 5
1.2.4 Prototype de MIMO massif . . . 6
1.3 Conclusion . . . 7
2 Introduction 11 2.1 Motivation . . . 12
2.2 Contributions . . . 13
2.2.1 TDD channel reciprocity calibration methods . . . 14
2.2.2 Massive MIMO prototyping . . . 16
3 Massive MIMO Background 17 3.1 Fundamentals of massive MIMO . . . 17
3.1.1 From SISO to MIMO . . . 17
3.1.2 Massive MIMO fundamentals . . . 19
3.2 MIMO and massive MIMO in 3GPP standards . . . 20
3.2.1 Transmission modes and antenna ports . . . 21
3.2.2 Towards massive MIMO in 3GPP standardization . . . 22
3.3 Summary . . . 23
4 State of the Art on Over-the-air Reciprocity Calibration 25 4.1 System Model . . . 25
4.2 UE involved calibration . . . 27
4.3 BS internal calibration . . . 28
CONTENTS
5 A General Framework of Over-the-air Calibration in TDD Massive MIMO
Systems 29
5.1 General calibration framework . . . 29
5.1.1 Parameter identifiability and pilot design . . . 31
5.1.2 LS calibration parameter estimation . . . 32
5.2 Existing calibration techniques . . . 32
5.2.1 Argos . . . 32
5.2.2 Methods based on successive single-antenna transmissions followed by joint estimation . . . 33
5.2.3 Avalanche . . . 34
5.3 Fast Calibration: optimal antenna grouping . . . 35
5.4 Optimal estimation and performance limits . . . 36
5.4.1 Cram´er-Rao Bound . . . 37
5.4.2 Maximum Likelihood estimation . . . 38
5.4.3 Maximum Likelihood vs. Least-Squares . . . 39
5.4.4 Calibration bias at low SNR . . . 40
5.5 Non-coherent accumulation . . . 40
5.5.1 Overview . . . 40
5.5.2 LS Estimation . . . 41
5.5.3 Optimal grouping . . . 42
5.6 Numerical Validation . . . 42
5.7 Summary . . . 46
5.A Optimal grouping . . . 47
5.B Construction ofF⊥ . . . 48
6 Calibration for Hybrid Beamforming Structure 51 6.1 Hybrid structure . . . 52
6.2 Calibration for subarray architecture . . . 53
6.2.1 System model . . . 53
6.2.2 Equivalent system model . . . 54
6.2.3 Effective channel estimation . . . 55
6.2.4 Internal reciprocity calibration . . . 56
6.3 Calibration for fully connected structure . . . 58
6.4 Simulation results . . . 59
6.5 Summary . . . 64
7 Calibration Parameter Tracking Allowing Fast Correction of Sudden Variations 65 7.1 Evolution of calibration parameters . . . 66
7.2 Calibration parameter tracking . . . 67
7.2.1 Inter-operation between two calibration modes . . . 68
7.2.2 Normal mode . . . 69
7.2.3 Urgent mode . . . 70
7.3 Simulation results . . . 72
7.4 Summary . . . 73
8 Reciprocity Calibration Coefficients Measurements 75 8.1 System model . . . 75
8.2 Full estimation of the calibration matrix . . . 76
8.3 Measurement setup . . . 77
CONTENTS
8.4 Experiment results . . . 78
8.5 Beamforming performance . . . 81
8.6 Summary . . . 82
9 How Accurately Should We Calibrate? 83 9.1 Calibration accuracy . . . 83
9.1.1 UL channel estimation error . . . 84
9.1.2 Relative calibration matrix estimation error . . . 85
9.2 Simulation results . . . 85
9.2.1 Hardware asymmetry model and channel model . . . 86
9.2.2 Simulation results on the CSIT MSE . . . 86
9.2.3 Simulation results on beamforming performance . . . 87
9.3 Summary . . . 89
10 Massive MIMO Prototyping on OpenAirInterface 91 10.1 Introduction . . . 91
10.2 State of the art . . . 92
10.3 Testbed overview . . . 94
10.4 Hardware . . . 96
10.4.1 Hardware architecture . . . 96
10.4.2 Hardware components . . . 97
10.5 Software . . . 99
10.5.1 OpenAirInterface . . . 99
10.5.2 Integrating massive MIMO into LTE and 5G . . . 99
10.6 Results and dissemination . . . 105
10.7 Summary . . . 108
11 Conclusion and Future Work 111
CONTENTS
List of Figures
4.1 Reciprocity model. . . 26 5.1 Bi-directional transmission between antenna groups. . . 30 5.2 Argos calibration. . . 33 5.3 Calibration methods based on successive single-antenna transmissions fol-
lows by joint estimation. Not all links between elements are plotted. . . 34 5.4 Example of full Avalanche calibration with 7 antennas partitioned into 4
groups. Group 1, 2, 3 have already been calibrated, and group 4 is to be calibrated. . . 35 5.5 Comparison of Fast calibration with Avalanche scheme (M = 64 and the
number of channel use is 12). The curves are averaged across 1000 channel realizations. . . 43 5.6 Comparison of Fast calibration with CRB (M = 64, the number of channel
use is 12). The plots are generated over one realization of an i.i.d Rayleigh channel. . . 44 5.7 Comparison of Argos and the method of successive single antenna transmis-
sion and joint estimation with CRB (M = 16 and the number of channel uses is 16). The plots are generated over one realization of an i.i.d Rayleigh channel. . . 44 5.8 Comparison of Alternating ML with CRB for antenna grouping of size unity
and M = 16. . . 45 5.9 64 Antennas arranged as a 4×16 grid. . . 45 5.10 MSE and CRB with delay dependent and random assumptions for the chan-
nel phase for an antenna transmit group size of 1 (M = 16 and number of channel uses is 16). . . 45 5.11 Interleaved and non-interleaved MSE and CRB for random phase assump-
tions for the channel for an antenna transmit group size of 4 (M = 64 and the number of channel uses is 16). . . 46 5.12 Interleaved and non-interleaved MSE and CRB for delay dependent phase
assumptions for the channel for an antenna transmit group size of 4 (M = 64 and the number of channel uses is 16). . . 47 6.1 Structure of a TDD hybrid beamforming transceiver, where both the trans-
mit and receive paths are shown. The transceiver can dynamically change the connexion of different switches on the two sides of the analog beam- former to set itself to the transmitting or receiving mode. . . 52 6.2 Two types of analog beamforming structure. . . 53
LIST OF FIGURES
6.3 Hybrid beamforming system where node A is transmittingMsdata schemes to node B. The switches at node A are connected to the transmit path
whereas those at node B are connected to the receive path. . . 54
6.4 Equivalent hybrid structure where shared hardware components (mixers, filters) on RF chain are copied on each branch with phase shifters. The hardware components are then re-ordered such that all components in TA go to the front end near the antennas. . . 55
6.5 Internal calibration where the whole antenna array is partitioned into group Aand groupB. We then perform intra-array measurement between the two groups. . . 56
6.6 Hybrid beamforming system where both the A and B have full connected architecture as the analog beamformer . . . 58
6.7 Two partitions. The above figure shows the “two sides partition” where group AandB contain 32 antennas on the left and right sides of the linear antenna array, respectively. The bottom figure illustrates the “interleaved partition” where every 8 antennas are assigned to groupA and B, alterna- tively. . . 60
6.8 Estimated calibration matrix vs. real calibration matrix. The blue circles are predefined calibration coefficients and the red stars are estimated values after elimination of the complex scalar ambiguity. . . 61
6.9 MSE of estimated calibration matrix vs. the number of K and L in the “two sides partition scenario”. Both Tx and Rx noise are considered. . . 62
6.10 MSE of estimated calibration vs. the number of K and L in the “interleaved partition scenario”. Both Tx and Rx noise are considered. . . 62
6.11 MSE of estimated calibration vs. the number of K and L in the “two sides partition scenario”. Tx and Rx noise are simulated independently. . . 62
6.12 MSE of estimated calibration matrix vs. the number of K and L in the “in- terleaved partition scenario”. Tx and Rx noise are simulated independently. 62 6.13 The accuracy of acquired CSIT as a function of the accuracy of the reci- procity calibration matrix and instantaneously measured UL CSI. . . 64
7.1 Deviation of calibration parameter during 62 hours. . . 67
7.2 Illustration of the division of the antenna array into two groups A and B of antenna elements. . . 67
7.3 Illustration of two calibration modes. . . 68
7.4 Transition between the normal and urgent mode. . . 68
7.5 Non-coherent accumulation of groups of coherent signals. . . 69
7.6 Illustration of the two steps solution in urgent mode. . . 71
7.7 Illustration of binary tree search. . . 72
7.8 Probability of failing to detect the changed parameter (type II error). . . . 73
7.9 Number of stable calibration parameters detected as changed (type I error). 73 7.10 Number of bi-directional transmission used to detect the random phase change. . . 74
8.1 Reciprocity Model of an MA×1 MISO system. . . 76
8.2 ExpressMIMO2 board. . . 77
8.3 Full estimation of F in a 2×1 MISO. . . 79
8.4 Diagonal estimation of F in a 2×1 MISO. . . 79
8.5 Full estimation of F in a 4×1 MISO. . . 79
8.6 Diagonal estimation of F in a 4×1 MISO. . . 79
LIST OF FIGURES
8.7 Reciprocity model with delay. . . 80
8.8 Calibration parameters for antenna 1-4 in a 15×1 MISO (card 1). . . 80
8.9 Calibration parameters for antenna 5-8 in a 15×1 MISO (card 2). . . 80
8.10 Calibration parameters for antenna 9-12 in a 15×1 MISO (card 3). . . 80
8.11 Calibration parameters for antenna 13-15 in a 15×1 MISO (card 4). The black point at (1,0) corresponds to node B. . . 80
8.12 Beamforming gain of a 4×1 MISO system with regard to a SISO system under different assumptions (SNR averaged over 28 random locations). . . . 81
9.1 Calibrated CSIT normalized MSE as a function of the accuracy of UL esti- mation and the calibration matrix in a 64×1 MISO system (LB = 10). . . 87
9.2 SINR loss (in dB) of MRT beamforming due to joint impact of the inac- curacy of both ˆF and UL channel estimation in a 64×8 system with DL SNR=0dB (LB= 10). . . 88
9.3 SINR loss (in dB) of MRT beamforming due to joint impact of the inac- curacy of both ˆF and UL channel estimation in a 64×8 system with DL SNR=20dB (LB = 10). . . 88
9.4 SINR loss (in dB) of ZF beamforming due to joint impact of the inaccuracy of both ˆFand UL channel estimation in a 64×8 system with DL SNR=0dB (LB= 10). . . 88
9.5 SINR loss (in dB) of ZF beamforming due to joint impact of the inaccuracy of both ˆFand UL channel estimation in a 64×8 system with DL SNR=20dB (LB= 10). . . 88
10.1 Rice University’s Argos massive MIMO testbed. . . 93
10.2 Lund University’s LuMaMi massive MIMO testbed. . . 93
10.3 Bristol’s massive MIMO testbed. . . 94
10.4 OpenAirInterface massive MIMO testbed. . . 95
10.5 OpenAirInterface massive MIMO testbed architecture. . . 96
10.6 Huawei antenn array. . . 97
10.7 ExpressMIMO2 card. . . 98
10.8 Ettus Research’s Octo-clock. . . 98
10.9 Magma’s ExpressBox 16 PCIe backplane. . . 98
10.10OpenAirInterface LTE software stack. . . 100
10.11OpenAirInterface massive MIMO software implementation. . . 100
10.12The position of cell specific and UE specific RS in a RB. The blue and green REs are the cell-specific RS for antenna port 1 and 2. The red RE is the UE-specific RE for antenna port 5 whereas the white RE is the data resource element. . . 102
10.13Logical antenna ports to physical antenna mapping in TM7 where antenna port 1 and 2 are mapped with cell specific beamforming weights and antenna port 5 is mapped with UE specific beamforming weights. . . 103
10.14Logical antenna ports to physical antenna mapping in TM8 (for data), where the two layer data on antenna port 7 and 8 are mapped with dif- ferent UE specific beamforming weights. . . 103
10.15Thread pool for parallelizing the beamforming precoding and OFDM mod- ulation on different physical antennas. . . 104
LIST OF FIGURES
10.16RRC message exchange between the eNB and UE during the connection setup. Transmission mode is configured in the RRCConnectionReconfigura- tion message. If the reconfiguration is successful, the downlink transmission switches from TM1 or TM2 to TM7. . . 105 10.17Validation of the TM7 implementation using Rohde & Schwarz FSQ Signal
Analyzer . . . 106 10.18Throughput test result of TM1 using “SPEEDTEST” . . . 106 10.19Throughput test result of TM7 using “SPEEDTEST” . . . 106 10.20The reduced scale version of the OpenAirInterface massive MIMO testbed
with 16 antennas demonstrated in EuCNC. It mainly shows the performance of TDD reciprocity calibration and the possibility to acquire near perfect CSIT in a massive MIMO system. . . 107 10.21Best booth award for ADEL project, showcasting (amongst others) the first
version of Eurecom’s massive MIMO demonstrator. (Picture cby Con- stantinos Papadias) . . . 108 10.22A scaled-down version of massive MIMO prototype with 4 antennas demon-
strated in WSA Berlin showing the interoperability with commercial UE.
TDD reciprocity calibration is used for CSIT acquisition. The system then performs MRT beamforming to the UE for Internet service. . . 108
List of Tables
3.1 Downlink transmission modes in LTE Release 12. . . 21 5.1 Number of antennas transmitting at each channel use. . . 42 10.1 Key parameters of OpenAirInterface massive MIMO testbed. . . 95 10.2 The execution time of beamforming precoding and OFDM modulation for
different number of transmit antennas when we use single thread or a thread pool. The execution time is measured using “dlsim” simulator on a x86 64 architecture machine with 4 cores. . . 105
LIST OF TABLES
Acronyms
Here are the main acronyms used in this document. The meaning of an acronym is usually indicated once, when it first appears in the text.
3GPP Third Generation Partnership Project ADC Analog-to-digital converter
AML Alternative Maximum Likelihood AWGN Additive White Gaussian Noise BS Base Station
CDD Cyclic Delay Diversity CN Core Network
CP Cyclic Prefix CRB Cram´er-Rao Bound
CSI Channel State Information
CSIT Channel State Information at the Transmitter CoMP Coordinated Multiple Points
DAC Digital-to-Analog Converter DMRS Demodulation Reference Signal EPC Enhanced Packet Core
FDD Frequency-Division Duplex FFT Fast Fourier Transform
IDFT Inverse Discrete Fourier Transform IFFT Inverse Fast Fourier Transform
i.i.d. Independent and Identically Distributed LS Least Squares
LTE Long Term Evolution LTI Linear Time-Invariant LNA Low noise amplifier MAC Multiple Access Channel
MCS Modulation and Coding Scheme MIMO Multiple-Input Multiple-Output MISO Multiple-Input Single-Output ML Maximum Likelihood
MMSE Minimum Mean Square Error MRT Maximum Ratio Transmission MSE Mean Square Error
MU Multiuser
Acronyms
OAI OpenAirInterface
OFDM Orthogonal Frequency Division Multiplexing OTA Over-The-Air
QAM Quadrature Amplitude Modulation QPSK Quadrature Phase-Shift Keying RAN Radio Access Network
RB Resource Block
PBCH Physical Broadcast Channel PUCCH Uplink Shared Channel PUSCH Uplink Control Channel RE Resource Element RF Radio Frequency RRC Radio Resource Control RS Reference Signal
Rx Receiver
SIMD Single instruction multiple data SINR Signal to Interference and Noise Ratio SISO Single Input Single Output
SNR Signal to Noise Ratio SRS Sounding Reference Signal SVD Singular Value Decomposition SU Single-user
TDD Time Division Duplex TM Transmission Mode TLS Total Least Squares Tx Transmitter
UDP User Datagram Protocol UE User Equipment
ZF Zero Forcing
Notations
The main notations used in this thesis are list as below. Their meanings will be recalled in each chapter when they are first used.
a Variable
a Vector
A Matrix
a∗ Conjugate of a variable
A∗ Conjugate of a matrix
AT Transpose of a matrixA
AH Hermitian transpose of a matrixA
A−1 Inverse of a matrixA
A† Moore-Penrose pseudo inverse
A⊥ The orthogonal complement of the column space ofA Aij The ij-th entry of a matrix A
Tr{A} The trace of a matrixA Rank{A} The rank of a matrix A
diag{a1, a2, . . . , an} A diagonal matrix witha1, a2, . . . , an on its diagonal
vec(A) The vectorization ofA formed by stacking the columns ofA into a single column vector
E[A] Expected value of the random matrixA
|a| Absolute value of the complex number a
|A| The determinant of a matrixA kak The norm of a vector a
kAkF The Frobenius norm of a matrixA A⊗B Kronecker product of matrixA andB
A∗B Khatri–Rao product (column-wise Kronecker product) ofA andB
0 Zero vector
IK K×K identity matrix
CN(0, σ2) Complex circularly symmetric Gaussian distribution with zero mean and varianceσ2
Notations
Chapter 1
R´ esum´ e [Fran¸cais]
1.1 Abr´ eg´ e
Entr´ees multiples, sorties multiples (MIMO) massif est consid´er´e comme l’une des tech- nologies cl´es de la prochaine g´en´eration de communications sans fil. Afin d’effectuer des algorithmes de formation de faisceau en liaison descendante (DL) avec un grand r´eseau d’antennes, le plus grand d´efi est l’acquisition d’informations pr´ecises d’´etat de canal `a l’´emetteur (CSIT). Pour relever ce d´efi, le duplex `a division temporelle (TDD) est favor- able aux syst`emes MIMO massif grˆace `a sa r´eciprocit´e de canal de la DL et la liaison montante (UL). Cependant, alors que le canal physique dans l’air est r´eciproque, les front- ends de radiofr´equence (RF) dans les ´emetteurs-r´ecepteurs ne le sont pas; par cons´equent, calibration devrait ˆetre utilis´ee dans des syst`emes pratiques pour compenser l’asym´etrie mat´erielle RF.
Dans cette th`ese, nous nous effor¸cons de transformer le concept MIMO massif en r´ealit´e en utilisant la calibration de la r´eciprocit´e TDD. Les contributions peuvent ˆetre r´esum´ees comme suit. Tout d’abord, nous proposons un cadre unifi´e pour la calibration de la r´eciprocit´e, qui g´en´eralise diverses m´ethodes de calibration existant dans la litt´erature, offrant une vue sup´erieure sur le probl`eme de calibration ainsi que l’ouverture de nom- breuses innovations sur les m´ethodes de calibration. Deuxi`emement, sur la base de cette repr´esentation g´en´erale, nous proposons trois nouveaux sch´emas de calibration: une m´ethode de calibration rapide bas´ee sur le groupement d’antennes, un sch´ema de calibration pour l’architecture hybride de formation de faisceau, ainsi qu’un m´ecanisme de suivi des param`etres de calibration et de surveillance de la sant´e du syst`eme qui permet une d´etection rapide du changement de param`etre. Troisi`emement, nous avons effectu´e des mesures des param`etres de calibration sur une plate-forme r´eelle afin de r´ev´eler les propri´et´es mat´erielles. Qua- tri`emement, nous ´etudions, du point de vue du syst`eme, avec quelle pr´ecision un syst`eme MIMO massif TDD devrait ˆetre calibr´e. Enfin, grˆace `a la calibration de r´eciprocit´e TDD, nous avons construit un banc d’essai pour MIMO massif, qui est compatible avec l’´evolution
`
a long terme (LTE) bas´e sur la plate-formeopen sourceOpenAirInterface, et peut di- rectement fournir un service Internet `a un appareil commercial. Le banc d’essai d´emontre la faisabilit´e d’int´egrer le MIMO massif dans les normes actuelles du projet de partenariat de troisi`eme g´en´eration (3GPP) et son utilisation dans le 5G peut ˆetre une ´evolution `a partir des syst`emes 4G actuels.
R´esum´e [Fran¸cais]
1.2 Introduction
Les communications sans fil posent les bases du monde connect´e. Il permet la connexion de millions d’appareils mobiles qui fa¸connent notre vie quotidienne. Avec l’augmentation rapide du nombre d’appareils connect´es ainsi que l’´emergence de nouvelles applications telles que la r´ealit´e virtuelle, la r´ealit´e augment´ee, la conduite autonome et les villes in- telligentes, les syst`emes de communication sans fil actuels sont confront´es aux d´efis de d´ebit, latence et couverture. Prenant le d´ebit de donn´ees comme exemple, la prochaine g´en´eration de syst`emes de communication sans fil devrait avoir une augmentation de 1000 fois dans la capacit´e du r´eseau [1] pour r´epondre aux demandes des appareils con- nect´es. Il existe principalement trois approches pour relever ces d´efis: 1) densification du d´eploiement cellulaire, 2) recherche de plus de spectre, et 3) augmentation de l’efficacit´e spectrale. Le d´eploiement massif de petites cellules et l’utilisation d’ondes millim´etriques (mmWave) dans les syst`emes de communication sont deux exemples concrets principaux de la premi`ere et de la deuxi`eme approche. Pour le troisi`eme, parmi les diverses propositions, entr´ees multiples, sorties multiples (MIMO) massif est une technologie r´evolutionnaire qui peut augmenter consid´erablement l’efficacit´e spectrale. MIMO massif, initialement con¸cu dans [2, 3], consiste `a utiliser un grand nombre d’antennes `a la station de base (BS) pour servir simultan´ement plusieurs user equipments (UEs) `a travers le spectre de fr´equences allou´e entier. Dans la transmission en liaison descendante (DL), les antennes de la BS ajustent leurs poids de pr´ecodage de sorte que les signaux d’´emission provenant d’antennes diff´erentes se renforcent mutuellement `a la position de l’UE cibl´e et s’annulent
`
a l’emplacement des autres UEs. En liaison montante (UL), la BS applique des proc´ed´es similaires de traitement de signaux afin de d´etecter les signaux multiplex des diff´erents UEs.
L’augmentation du nombre d’antennes fournit naturellement une capacit´e de r´eseau plus
´
elev´ee, r´eduit la puissance rayonn´ee grˆace au gain de formation de faisceau et augmente le nombre d’UEs simultan´ement servis. Cependant, plutˆot que d’´etendre simplement le MIMO multi-utilisateur classique, le MIMO massif utilise un nombre excessif d’antennes
`
a la BS par rapport aux UEs, ce qui conduit `a un ph´enom`ene appel´e durcissement du canal et simplifie grandement le traitement du signal et l’allocation des ressources. Le canal vu par un UE est compos´e de canaux physiques `a partir d’antennes diff´erentes `a la BS. Lorsque le nombre d’antennes `a la BS est grand, grˆace `a la loi des grands nombres, le canal composite vu `a l’UE tend `a ˆetre un canal de scalaire simple avec un bruit additif.
Ce canal ´equivalent `a ´evanouissements uniformes simplifie grandement l’allocation des ressources et le traitement du signal. En outre, des sch´emas de codage et modulation standard con¸cus pour des canaux `a bruit blanc gaussien additif (AWGN) peuvent ˆetre utilis´es avec la possibilit´e de r´eduire la latence sur la couche physique introduite par de grands entrelaceur dans les syst`emes actuels.
En outre, le MIMO massif est compl´ementaire aux d’autres innovations technologiques. La recherche dans la coop´eration des petites cellules est conforme `a un syst`eme MIMO massif avec une topologie distribu´ee, nomm´eMIMO massif distribu´e ou r´eseau d’acc`es radio centralis´e, collaboratif, nuisible et propre (C-RAN). Syst`emes mmWave sont ´egalement favorable `a ˆetre combin´e avec le MIMO massif afin de compenser la forte att´enuation de la radio en raison de l’absorption atmosph´erique lors de sa propagation dans l’air.
Compte tenu de ses grands potentiels, le MIMO massif est consid´er´e comme un transfor- mateur de paradigme des communications sans fil.
1.2. INTRODUCTION
1.2.1 Motivation
Le d´efi fondamental pour lib´erer totalement le potentiel du MIMO massif r´eside dans l’acquisition d’informations pr´ecises d’´etat de canal `a l’´emetteur (CSIT) en DL. L’approche utilis´ee dans les syst`emes traditionnels est de laisser la BS envoyer des pilotes aux UEs qui retournent le CSIT mesur´e. Lorsque le nombre d’antennes `a la BS augmente, cette approche n’est plus possible puisque les frais g´en´eraux dans la UL sont si importants que, au moment o`u la BS re¸coit le retour, les informations sur le canal pourraient d´ej`a ˆetre obsol`etes. Par cons´equent, le MIMO massif est initialement con¸cu pour fonctionner dans le mode duplex `a division temporelle (TDD), car la BS peut obtenir le CSIT via la r´eciprocit´e de canal en DL et UL [4]. Pour le duplex `a division fr´equentielle (FDD), l’acquisition de CSIT pour MIMO massif est toujours une question ouverte, mˆeme si des efforts, tels que la r´eduction des feedbacks en UL [5] ou l’interpolation spatiale [6], ont ´et´e faits pour avancer l’´etat de l’art. Id´ealement, on attribue `a chaque UE un pilote orthogonal en UL de sorte que la BS apprend le canal en DL pour les UEs ind´ependamment. Cependant, comme le nom- bre de s´equences pilotes orthogonales est limit´e par le temps de coh´erence du canal divis´e par la dispersion du retard de canal de transmission, il est in´evitable de r´eutiliser les pilotes d’une cellule `a l’autre, ce qui rend l’estimation du canal en UL pour un UE contamin´e par l’autre UE assign´e avec la mˆeme s´equence pilote UL dans une autre cellule [7]. Ce ph´enom`ene, appel´e contamination de pilote, constitue la limite ultime de performance th´eorique lorsque le nombre d’antennes passe `a l’infini. En optimisant les allocations de pilote [8], concevant intelligemment des algorithmes d’estimation de canal [9,10] ou en util- isant les sch´emas de pr´ecodage qui tiennent compte de la structure du r´eseau [11], les effets caus´es par la contamination de pilote peuvent ˆetre att´enu´es ou ´elimin´es. La r´eciprocit´e de canal dans les syst`emes TDD signifie que les canaux physiques dans l’air sont les mˆemes pour UL et DL dans le temps de coh´erence du canal. Cependant, comme l’estimation du canal est une fonction d’un r´ecepteur dans le domaine num´erique, le canal qu’il voit contient non seulement le canal physique dans l’air, mais aussi les front-ends `a fr´equence radio (RF), incluant les composants du convertisseur num´erique-analogique (DAC) aux antennes `a l’´emetteur (Tx) et la partie correspondante, des antennes au convertisseur analogique-num´erique (ADC), au r´ecepteur (Rx). ´Etant donn´e que les front-ends RF dans Tx et Rx sont diff´erents, le canal d’un point de vue du traitement du signal num´erique n’est pas r´eciproque. Sans tenant compte de l’asym´etrie mat´erielle entraˆınera une inexac- titude dans l’estimation CSIT et, par cons´equent, d´egradera gravement les performances de formation de faisceau en DL [12–15].
Afin de compenser l’asym´etrie mat´erielle et d’obtenir une r´eciprocit´e de canal complet, des techniques de calibration sont n´ecessaires. Ce sujet a ´et´e exploit´e bien avant l’apparition du concept MIMO massif. Dans [16–20], les auteurs sugg`erent d’ajouter dans les ´emetteurs- r´ecepteurs des composants mat´eriels suppl´ementaires d´edi´es `a la calibration. Cette m´ethode compense l’asym´etrie de Tx et Rx front-ends RF dans les ´emetteurs-r´ecepteurs, mais ne parait pas une solution avec un bon rapport coˆut-efficacit´e. [21–24] proposent donc des sch´emas de calibration over-the-air , o`u les coefficients de calibration sont estim´es en utilisant des m´ethodes de traitement de signal bas´ees sur l’estimation de canal bidirection- nel entre la BS et l’UE. Puisqu’ils restent relativement stables, une fois que ces coefficients sont obtenus dans la phase d’initialisation du syst`eme (phase de calibration), ils peuvent ˆetre utilis´es plus tard pour ajuster les estimations instantan´ees des canaux en UL pour
´evaluer le CSIT. Les m´ethodes traditionnelles de calibrationover-the-air incluent UE dans le processus de calibration, ce qui implique que les UE doivent retourner leur canaux en DL estim´es. Bien que les coefficients de calibration soient assez stables et que le syst`eme
R´esum´e [Fran¸cais]
ne r´ep`ete pas la calibration tr`es fr´equemment, le retour des informations de canal en DL pour toutes les antennes BS est encore un processus lourd pour les syst`emes MIMO mas- sifs. Une nouvelle cat´egorie de m´ethodes qui peuvent calibrer le syst`eme en interne `a la BS sans aucune assistance d’UE sont donc propos´ees dans [25–29] pour relever ce d´efi. Ces m´ethodes sont appel´ees calibration interne. Malgr´e cet ´etat de l’art, de nombreuses questions sont encore ouvertes :
• Les m´ethodes existantes sont ind´ependantes l’une de l’autre ou sont-elles li´ees de fa¸con inh´erente?
• Quelle est la meilleure fa¸con de calibrer un syst`eme MIMO massif TDD?
• Quel est le moyen le plus rapide d’atteindre un ´etat calibr´e?
• Est-il possible de ne pas interrompre le service de donn´ees lorsque le syst`eme se calibre?
• Comment calibrer un syst`eme MIMO massif avec une structure hybride de formation de faisceau?
• Comment surveiller un syst`eme dans un ´etat calibr´e, suivre en continu l’´evolution des coefficients de calibration et d´etecter rapidement les coefficients chang´es?
• A quoi ressemblent ces param`` etres de calibration dans un syst`eme pratique?
• Avec quelle pr´ecision devons-nous calibrer un syst`eme MIMO massif?
De plus, les m´ethodes de calibration doivent ˆetre v´erifi´ees dans un syst`eme r´eel afin de comprendre les questions suivantes du point de vue de l’impl´ementation:
• Comment utiliser la calibration de la r´eciprocit´e pour faire fonctionner un syst`eme r´eel de MIMO massif TDD ?
• Est-il possible d’int´egrer le MIMO massif dans les standards 3GPP actuels?
• Quels sont les autres d´efis et les solutions correspondantes dans la construction d’un banc d’essai de MIMO massif en temps r´eel compatible `a l’´evolution `a long terme (LTE)?
Motiv´e par ces questions, cette th`ese aborde ces probl`emes en utilisant des approches th´eoriques et pratiques. Dans la prochaine section, nous r´esumons les r´esultats obtenus et les contributions.
1.2.2 Contributions
Cette th`ese concerne la mise en œuvre du concept MIMO massif. Les contributions peuvent ˆ
etre r´esum´ees en deux aspects. Tout d’abord, nous mettons l’accent sur les m´ethodes de calibration de la r´eciprocit´e du canal TDD, y compris la g´en´eralisation et l’innovation sur les algorithmes de calibration. Nous avons ´egalement effectu´e des mesures sur les param`etres de calibration de la r´eciprocit´e et effectu´e une ´etude sur la pr´ecision de DL CSIT obtenue. Deuxi`emement, grˆace `a la calibration de la r´eciprocit´e, nous avons construit un banc d’essai de MIMO massif conforme `a la norme LTE, qui peut directement fournir des services Internet en temps r´eel aux terminaux mobiles commerciaux.
1.2. INTRODUCTION
1.2.3 M´ethodes de calibration de la r´eciprocit´e du canal TDD
Nous proposons un cadre g´en´eral pour la calibration de la r´eciprocit´e de canal TDD sous le principe de la partition du r´eseau d’antennes. Presque toutes les m´ethodes de cal- ibration existant dans la litt´erature peuvent ˆetre repr´esent´ees par ce cadre g´en´eral. Par exemple, si nous partitionnons le r´eseau d’antennes en une antenne de r´ef´erence et un groupe contenant toutes les autres antennes, effectuant une transmission bidirectionnelle conduit `a la m´ethode de calibration d’Argos dans [25]. La m´ethode dans [26] d´efinir des groupes avec une seule antenne chacun, alors qu’une calibration compl`ete d’Avalanche [29]
´equivaut `a partitionner le r´eseau d’antennes en groupes avec max{1, i−1} de ´el´ements o`u iest l’indice du groupe d’antennes. Ce travail combine un effort conjoint de coll`egues d’Eurecom et de Huawei Technology (Paris). La proposition initiale sur le cadre g´en´eral par l’auteur de cette th`ese a ensuite ´et´e grandement am´elior´ee par les contributions de Dirk Slock, Kalyana Gopala, Maxime Guillaud et Alexis Decunringe, avec une repr´esentation plus math´ematiquement sonore.
Ces r´esultats sont pr´esent´es dans Chapitre 5 et ont conduit `a
• X. Jiang, A. Decunringe, K. Gopala, F. Kaltenberger, M. Guillaud, D. Slock et L.
Deneire,A Framework for Over-the-air Reciprocity Calibration for TDD Massive MIMO Systems, submitted to IEEE Trans. on Wireless Commun.
La partition du r´eseau d’antenne ouvre ´egalement de nombreuses nouvelles possibilit´es pour la calibration de la r´eciprocit´e TDD. Dans cette th`ese, nous d´ecrivons trois de nos m´ethodes propos´ees: calibration rapide, calibration de la r´eciprocit´e pour le syst`eme hy- bride de formation de faisceau et m´ethode de suivi des param`etres de calibration avec une capacit´e de d´etection rapide du changement des param`etres. La calibration rapide vise `a r´eduire le nombre de ressources n´ecessaires pour accomplir le processus de calibration. On peut prouver que, pour un r´eseau d’antennes avec un nombre d’´el´ements ´egal `a M, si le canal ne change pas pendant le processus de calibration, le nombre d’utilisation de canal n´ecessaire pour accomplir la calibration de la r´eciprocit´e sont O(√
2M) si la calibration est effectu´e entre les groupes, alors que les m´ethodes Argos et [26] n´ecessitent un nombre d’utilisation de canal de l’ordre deO(M−1). La calibration rapide est un exemple pour il- lustrer la valeur de la repr´esentation uniforme. Les d´etails sont pr´esent´es dans Chapitre??.
Pour les structures hybrides, la mani`ere courante pour la transmission consiste `a effectuer une formation de faisceau s´electionn´e dans un ensemble de faisceaux pr´ed´efinis, ce qui entraˆıne une perte de performance significative dans la plupart des sc´enarios. Nous pro- posons ici de partitionner l’ensemble des antennes en deux groupes et d’utiliser multiple transmissions de pilote entre les deux groupes pour obtenir l’estimation du canal entre diff´erentes antennes. Il est alors possible de formuler un probl`eme de moindres carr´es (LS) afin d’estimer les param`etres de calibration. Sur la base de cette m´ethode, nous pouvons acqu´erir un CSIT presque parfait pour les syst`emes de faisceau hybride.
Ces r´esultats sont pr´esent´es dans Chapitre 6 et publi´es dans
• X. Jiang and F. Kaltenberger, “TDD channel reciprocity calibration in hybrid beam- forming massive MIMO systems”, Technical Report TD(17)04085, COST CA-15104 IRACON, Lund, Sweden, May 2017.
• X. Jiang and F. Kaltenberger, “TDD channel reciprocity calibration in hybrid beam- forming massive MIMO systems”, submitted to IEEE Journal on Sel. Topics in Sig.
Proc.
R´esum´e [Fran¸cais]
Une autre application de la partition du r´eseau d’antenne consiste en une m´ethode de suivi des param`etres de calibration. Comme le mat´eriel ne peut pas ´eviter les ph´enom`enes physiques tels que la surtension ou l’interruption de courant, il faut un m´ecanisme pour surveiller la sant´e du syst`eme, surtout la stabilit´e des param`etres de calibration. Si nous partageons l’ensemble du r´eseau d’antennes en deux groupes, il est possible d’effectuer une transmission bidirectionnelle entre ces deux groupes et de d´efinir une m´etrique pour d´etecter si tous les param`etres restent identiques `a ceux de la calibration pr´ec´edente. Dans le cas o`u certains param`etres ont chang´e, nous divisons les deux groupes, adoptons la mˆeme id´ee et utilisons un algorithme d’arbre binaire de recherche pour d´eterminer le param`etre de quelle chaˆıne RF a chang´e. L’avantage du suivi des param`etres est que le syst`eme peut
´
eviter d’effectuer le processus de calibration si aucun param`etre ne change et a besoin de corriger seulement les param`etres modifi´es autrement. Ces r´esultats sont pr´esent´es dans Chapitre 7 et ont conduit `a
• X. Jiang, F. Kaltenberger, A. Decunringe, M. Guillaud, “Antenna array calibration allowing fast correction of sudden impairments variations”, submitted to European Patent, application number: PCT/EP2017/056303.
Nous avons effectu´e des mesures sur les param`etres de calibration de la r´eciprocit´e afin de r´ev´eler les propri´et´es mat´erielles. En particulier, nous avons v´erifi´e l’hypoth`ese largement adopt´ee dans la litt´erature selon laquelle la matrice de calibration peut ˆetre suppos´ee diagonale, c’est-`a-dire que les coefficients de calibration introduits par la diaphonie RF et le couplage mutuel de l’antenne sont tr`es faibles et peuvent ˆetre ignor´es dans un sch´ema de calibration pratique. Les r´esultats de l’exp´erience r´ev`elent ´egalement l’´evolution des amplitudes et des phases des param`etres de calibration dans le domaine fr´equentielle.
Nous utilisons ensuite les coefficients de calibration obtenus pour estimer le canal en DL
`
a partir de l’estimation de canal en UL et ensuite effectuer une formation de faisceau avec le CSIT. Nous mesurons le rapport signal sur bruit (SNR) et comparons avec le cas o`u la calibration n’est pas utilis´ee pour illustrer l’impact de la calibration de la r´eciprocit´e sur la performance de la formation du faisceau.
Ces r´esultats sont pr´esent´es dans Chapitre 8 et publi´es dans
• X. Jiang, M. ˇCirki´c, F. Kaltenberger, E. G. Larsson, L. Deneire, and R. Knopp,
“MIMO-TDD reciprocity and hardware imbalances: experimental results,” in Proc.
IEEE Intern. Conf. on Commun. (ICC), London, UK, Jun. 2015, pp. 4949–4953.
Nous avons ´egalement ´etudi´e la pr´ecision de CSIT en DL obtenue `a partir de la calibration de la r´eciprocit´e TDD. Comme le CSIT est calcul´e en utilisant `a la fois le canal en UL estim´e et les coefficients de calibration, nous ´etudions l’impact de ces deux facteurs sur la pr´ecision CSIT. Ces r´esultats sont pr´esent´es dans Chapitre 9 et publi´es dans
• X. Jiang, F. Kaltenberger, and L. Deneire, ”How accurately should we calibrate a massive MIMO TDD system?” in Proc. IEEE ICC 2016 Workshops: Workshop on 5G RAN DESIGN, Kuala Lumpur, Malaysia, May 2016.
1.2.4 Prototype de MIMO massif
Nous avons construit un prototype MIMO massif TDD compatible `a LTE bas´e sur Ope- nAirInterface, qui peut directement fournir un service Internet `a un appareil commercial.
Le banc d’essai met en œuvre le mode de transmission (TM) 7 d´efini dans 3GPP, version
1.3. CONCLUSION
8, o`u un nombre arbitraire d’antennes physiques peut ˆetre mapp´e sur un port d’antenne logique en utilisant un pr´ecodage non-pr´ed´efini. La calibration interne de la r´eciprocit´e `a la BS est utilis´e pendant la phase d’initialisation et les coefficients de calibration obtenus sont directement appliqu´es sur l’estimation de UL afin d’acqu´erir le CSIT qui est ensuite utilis´e pour calculer les poids de pr´ecodage pour la transmission en DL. Nous utilisons des signaux de r´ef´erence (RS) sp´ecifiques `a l’UE qui sont pr´ecod´es avec les mˆemes poids que les donn´ees pour la d´emodulation de TM7. Les techniques de parall´elisation de thread
etdonn´ees `a plusieurs instructions multiples(SIMD) sont utilis´ees pour acc´el´erer la modulation de l’orthogonal frequency-division multiplexing (OFDM) afin de permet- tre une ex´ecution en temps r´eel. En outre, nous avons ´etendu laRadio Resource Control
(RRC) dans OpenAirInterface afin de supporter la transmission TM7. Le banc d’essai MIMO massif OpenAirInterface d´emontre qu’il est possible d’int´egrer la technologie MIMO massif dans la norme 4G actuelle et son ´evolution vers 5G peut ˆetre une ´evolution `a partir de la norme LTE. Dans le cadre de la plate-forme OpenAirInterface, le banc d’essai ouvre ses sources logicielles afin d’aider la recherche universitaire et le d´eveloppement industriel dans la technologie MIMO massif.
Ces r´esultats sont pr´esent´es dans Chapitre 10 et publi´es dans
• X. Jiang, F. Kaltenberger, R. Knopp, and H. Maatallah, “Openairinterface mas- sive mimo testbed : A 5g innovation platform”, OpenAirInterface Software Alliance White Paper and Video, http://www.openairinterface.org/?page id=1760, Sep. 2016.
• X. Jiang and F. Kaltenberger, “OpenAirInterface Massive MIMO Testbed: A 5G Innovation Platform”, Technical Report TD(16)02044, COST CA-15104 IRACON, Durham, UK, Oct. 2016.
• X. Jiang and F. Kaltenberger. “Demo: an LTE compatible massive MIMO testbed based on OpenAirInterface”, 21st Intern. ITG Workshop on Smart Antennas (WSA), Berlin, Germany, Mar. 2017.
• F. Kaltenberger, X. Jiang and R. Knopp, “From massive MIMO to C-RAN: the OpenAirInterface 5G testbed”, accepted in 51st Asilomar Conf. on Sig., Sys. and Comp.
1.3 Conclusion
Cette th`ese traite du probl`eme de transformer le MIMO massif d’un concept th´eorique `a des syst`emes pratiques, en mettant l’accent sur la calibration de la r´eciprocit´e du canal TDD. Correctement et efficacement calibrer l’asym´etrie Tx et Rx sur les chaines RF est essentiel pour l’acquisition CSIT bas´ee sur la r´eciprocit´e dans les syst`emes MIMO massif TDD. Nous proposons un cadre g´en´eral bas´e sur l’´echange de pilote pour la calibration
over-the-air . Diff´erentes m´ethodes de calibration existant dans la litt´erature, en par- ticulier, ceux qui concernent la calibration interne `a la BS, adapt´ees aux syst`emes MIMO massif, peuvent ˆetre repr´esent´ees par ce cadre g´en´eral `a l’aide d’une partition du r´eseau d’antennes. Estimation optimale et la borne Cram´er-Rao (en tant que r´ef´erence de per- formance) sont d´eriv´ee. Nous avons ´egalement discut´e sur accumulation coh´erente et non coh´erente et soulignons qu’il est possible d’int´egrer le processus de calibration au service de donn´ees, de sorte que la consommation de ressource de calibration disparaisse. Le cadre g´en´eral ouvre de nombreuses possibilit´es d’innovations sur la calibration de la r´eciprocit´e.
R´esum´e [Fran¸cais]
Tout d’abord, effectuer des ´echanges de pilotes `a l’aide de groupes d’antennes plutˆot que d’utiliser des ´el´ements individuels peut acc´el´erer le processus de calibration. Nous avons montr´e que, pour calibrer un r´eseau d’antennes avec un nombre d’antennes M `a l’aide d’une accumulation coh´erente, le minimum d’utilisation de canal n´ecessaire est sur l’ordre de O(√
M) plutˆot que sur O(M) pour d’autres m´ethodes existantes dans la litt´erature.
Deuxi`emement, pour un syst`eme de formation de faisceau hybride analogique-num´erique fonctionnant en mode TDD, nous proposons de partitionner le r´eseau d’antennes en deux groupes et de calibrer le syst`eme en utilisant une transmission de pilote bidirectionnelle en- tre eux1. Un syst`eme de formation de faisceau hybride bas´e sur la calibration de r´eciprocit´e donne la possibilit´e d’acqu´erir un CSIT parfait en DL, et donc surpasse de mani`ere sig- nificative le cas o`u nous op´erons le syst`eme en modes traditionnels par entraˆınement de faisceau bas´e sur un ensemble de faisceaux pr´ed´efinis. Troisi`emement, nous proposons
´
egalement une m´ethode de calibration qui peut suivre l’´evolution des coefficients de cali- bration. Il fournit un m´ecanisme pour surveiller le syst`eme dans un ´etat calibr´e et lorsqu’il y a un changement sporadique et soudain, il permet une d´etection rapide sur ce param`etre chang´e. En plus de ces nouvelles m´ethodes de calibration, nous avons ´egalement r´ealis´e une campagne de mesure pour les coefficients de calibration de la r´eciprocit´e sur les mat´eriels RF r´eels. Les r´esultats r´ev`elent les propri´et´es de ces coefficients et v´erifient, dans un syst`eme MISO `a petite ´echelle, l’hypoth`ese diagonale sur la matrice de calibration qui est largement adopt´ee dans la litt´erature. Nous avons ´egalement ´etudi´e la pr´ecision du CSIT obtenu impact´e par la pr´ecision de la matrice de calibration et de le canal en UL instantan´ement estim´e.
Grˆace `a la calibration de la r´eciprocit´e TDD, nous avons construit un banc d’essai de MIMO massif compatible `a LTE sur la plate-forme OpenAirInterface. Il peut interagir avec des appareils commerciaux, ce qui d´emontre la possibilit´e d’int´egrer un MIMO massif dans les syst`emes 4G actuels. Il montre ´egalement la faisabilit´e d’utiliser la calibration pour l’acquisition de CSIT dans un system r´eel. La mise en œuvre identifie d’autres d´efis pour la construction de syst`emes et propose des solutions correspondantes. Bien que des r´esultats int´eressants aient ´et´e ´etablis dans cette th`ese, certains probl`emes ne sont pas r´esolus. Dans Chapitre 5 et 6, nous avons compar´e les performances de calibration du groupement d’antennes entrelac´ees et non entrelac´ees. Cependant, la meilleure fa¸con de regrouper les antennes est toujours une question ouverte. En outre, dans le cadre de la calibration unifi´ee, une autre dimension de l’innovation r´eside dans la conception du pilote. Nous n’avons pas pleinement explor´e ce sujet dans la th`ese actuelle, mais utilisons simplement un pilote Fourier `a amplitude constante dans la plupart des simulations. En termes d’exp´erience et de mesure, une question essentielle est la mod´elisation des canaux intra-r´eseau d’antennes. Le canal de champ proche entre deux ´el´ements dans le mˆeme r´eseau d’antennes d´epend fortement du type d’antenne et de l’arrangement des ´el´ements d’antenne. Des mesures du monde r´eel sont n´ecessaires pour r´ev´eler les propri´et´es et pour
´
etablir un mod`ele appropri´e. Certains r´esultats int´eressants sont rapport´es dans [28]. Nous travaillons ´egalement de notre cˆot´e pour faire avancer l’´etat de l’art sur cette recherche.
Une autre question concerne la diaphonie RF et l’accouplement mutuel de l’antenne. Dans Chapitre ??, nous avons v´erifi´e l’hypoth`ese diagonale sur la matrice de calibration dans un syst`eme MIMO `a petite ´echelle. Bien que la mod´elisation th´eorique dans [19], ainsi que l’exp´erience pratique dans la plupart des litt´eratures [25, 28], tous soulignent que la diaphonie RF et l’accouplement mutuel d’antenne peuvent ˆetre ignor´es, comme nous
1Cette m´ethode est valable pour une architecture de subarray . Pour une architecture fully connected, la transmission bidirectionnelle doit ˆetre effectu´ee avec un dispositif assistant ou un UE.
1.3. CONCLUSION
l’avons suppos´e dans Chapitre ??-??, il vaut toujours une grande valeur pour augmenter l’´echelle de l’exp´erience dans Chapitre ?? pour v´erifier cette hypoth`ese dans un contexte MIMO massif. Du point de vue du d´eveloppement du banc d’essai et de la mise en œuvre du syst`eme, plusieurs aspects doivent ˆetre faits pour faire ´evoluer la version actuelle.
Aujourd’hui, le banc d’essai ne peut cr´eer qu’un faisceau ´etroit vers un seul UE avec TM7.
Pour servir simultan´ement plusieurs UEs, les efforts de d´eveloppement sont n´ecessaires pour permettre aux TM8, TM9 ou aux nouveaux TMs qui pourraient apparaˆıtre dans les futures normes 3GPP. En outre, la calibration de la r´eciprocit´e est effectu´ee `a l’aide de scripts Octave lorsque le syst`eme est initialis´e, il est int´eressant de voir comment ce processus peut ˆetre int´egr´e `a l’op´eration en temps r´eel. D’ailleurs, le MIMO massif co- localis´e effectue le traitement du signal dans un PC, ce qui lui permet de traiter tous les calculs localement. L’´evolution de cette architecture vers une topologie distribu´ee, align´ee avec l’architecture C-RAN, permet d’affecter une partie des tˆaches de calcul au cloud alors que d’autres tˆaches aux unit´es de radio distribu´ees. Cela permet de relˆacher la contrainte de calcul en temps r´eel dans le banc d’essai.
R´esum´e [Fran¸cais]
Chapter 2
Introduction
Wireless communications lay the foundation of today’s connected world. It enables the connection of millions of mobile devices that are shaping our daily life. With the rapidly increase in the number of connected devices as well as the emergence of new applications such as virtual reality, augmented reality, autonomous driving and smart cities, the current wireless communication systems are challenged in data throughput, latency and coverage.
Taking the data throughput as an example, the next generation of wireless communication systems is expected to have 1000-fold increase in the network capacity [1] to meet the demand for connected devices.
There mainly exist three approaches to take up these challenges: 1) densification of the cell deployment, 2) search for more spectrum, and 3) increasse in the spectral efficiency. The massive deployment of small cells and use of millimeter waves (mmWave) in communication systems are two main concrete examples of the first and second approaches. For the third, among various proposals, massive multiple-input multiple-output (MIMO) appears to be a breakthrough technology that can dramatically increase the spectral efficiency.
Massive MIMO, originally conceived in [2,3], consists in using a large number of antennas at the base station (BS) to simultaneously serve multiple user equipments (UEs) through the entire allocated frequency spectrum. In the downlink (DL) transmission, the BS antennas adjust its precoding weights so that transmit signals from different antennas reinforce each other at the target UE and cancel out each other at the locations of other UEs. In the uplink (UL), the BS applies similar signal processing methods in order to de-multiplex signals from different UEs.
Increasing the number of antennas naturally provides a higher network capacity, reduces the radiated power thanks to the beamforming gain and increases the number of simul- taneously served UEs. However, rather than simply scaling up the classical multi-user MIMO, massive MIMO uses an excess number of BS antennas compared with UEs, which leads to a phenomenon called “channel hardening” and thus greatly simplifies the signal processing and resource allocation. In fact, the channel seen by a UE is composed of phys- ical channels from different antennas at the BS. When the number of antennas at the BS is large, due to the law of large numbers, the composite channel seen at the UE tends to be a simple scalar channel with additive noise. This equivalent frequency flat fading channel greatly simplifies resource allocation and signal processing. Additionally, standard coding and modulation schemes designed for additive white Gaussian noise (AWGN) channels can be used, with the possibility of reducing the latency on the physical layer introduced
Introduction
by large inter-leavers.
Moreover, massive MIMO is complementary to other technology innovations. The research in small cells cooperation is in line with a massive MIMO system with a distributed topol- ogy, named “distributed massive MIMO” or Centralized, Collaborative, Cloud and Clean Radio Access Network (C-RAN). mmWave systems are also favorable to be combined with massive MIMO in order to alleviate the strong radio attenuation due to the atmospheric absorption when propagating in the air.
Given its great potentials, massive MIMO is considered as a paradigm shifter of wireless communications.
2.1 Motivation
The fundamental challenge to fully release the potential of massive MIMO lies in the acqui- sition of accurate DL channel state information at the transmitter (CSIT). The approach used in traditional systems is to let the BS send pilots to UEs who then feed back the mea- sured DL CSIT to the BS. When the number of antennas at the BS grows, this approach is no longer feasible since the overhead in the UL is so large that, at the time when the BS receives the feedback, the channel information might already be outdated. Therefore, massive MIMO is initially conceived to work in time division duplex (TDD) mode, as the BS can obtain the CSIT through the DL and UL channel reciprocity [4]. For frequency division duplexing (FDD), acquiring accurate enough CSIT for massive MIMO BS is still an open question, although efforts, such as reducing the UL feedback [5] or performing spatial interpolation [6], were made to advance the state of the art.
Ideally, every UE is assigned an orthogonal UL pilot so that the BS learns the DL channel for UEs independently. However, as the number of orthogonal pilot sequences is limited by the channel coherence time divided by the channel delay spread, it is unavoidable to reuse the pilots from one cell to another, making the UL channel estimation for one UE contaminated by the other UE assigned with the same UL pilot sequence in another cell [7]. This phenomenon, named as “pilot contamination” constitutes a theoretical ul- timate performance limit when the number of antennas goes to infinity. By optimizing the pilot allocations [8], smartly designing channel estimation algorithms [9, 10] or using precoding schemes that take into account network structure [11], the effects caused by pilot contamination can be mitigated or eliminated.
Channel reciprocity in TDD systems means that the physical channels in the air are the same for UL and DL within the channel coherence time. However, as channel estimation is a function of a receiver in the digital domain, the channel it sees contains not only the physical channel in the air but also radio frequency (RF) front-ends, including the hardware from digital-to-analog converter (DAC) to transmit antennas at the transmitter (Tx) and the corresponding part, from receiving antennas to analog-to-digital converter (ADC), at the receiver (Rx). Since the RF front-ends in Tx and Rx are different, the channel from a digital signal processing point of view is not reciprocal. Not accounting for hardware asymmetry will cause inaccuracy in the CSIT estimation and, as a consequence, seriously degrade the DL beamforming performance [12–15].
In order to compensate the hardware asymmetry and achieve a full channel reciprocity, cal- ibration techniques are needed. This topic has been exploited long before the appearance
2.2. CONTRIBUTIONS
of the massive MIMO concept. In [16–20], authors suggest to add additional hardware components in transceivers which are dedicated to calibration. This method compensates the Tx and Rx RF asymmetry in the transceivers, but does not appear to be a cost-effective solution. [21–24] thus put forward “over-the-air” calibration schemes, where the calibration coefficients are estimated using signal processing methods based on bi-directional channel estimation between BS and UE. Since hardware properties can be expected to remain rel- atively stable, once these coefficients are obtained in the initialization phase of the system (calibration phase), they can be used later to adjust instantaneous UL channel estimations to assess the CSIT.
Traditional “over-the-air” calibration methods involves UE in the calibration process, im- plying that UEs have to feed their estimated DL channel back to the BS. Although the calibration coefficients are quite timely stable, and the system does not repeat the cali- bration very frequently, feeding back DL channel information for all BS antennas is still a heavy process for massive MIMO systems. A new category of methods that can calibrate the system internally at BS without any assistance of UE are thus proposed in [25–29] to take up this challenge. These methods are named as “BS internal calibration”. Despite these achievements, many questions are still unclear and need to be further investigated:
• Are those existing methods independent with each other or inherently related?
• What is the best way to calibrate a TDD massive MIMO system?
• What is the fastest way to achieve a calibrated status?
• Is it possible to not interrupt the data service when the system is calibrating itself?
• How to calibrate a hybrid beamforming structure massive MIMO systems?
• How to monitor a system in a calibrated status, continuously follow the evolution of the calibration coefficients and quickly detect changed coefficients?
• What do those calibration parameters look like in a practical system?
• How accurately should we calibrate a massive MIMO system?
Additionally, calibration methods should be verified in a real system in order to understand the following questions from a system implementation point of view:
• How to use reciprocity calibration to enable a real world TDD massive MIMO sys- tem?
• Is it possible to integrate massive MIMO into current 3GPP standards?
• What are other challenges and corresponding solutions in building up a Long Term Evolution (LTE) compatible real time massive MIMO testbed?
Motivated by these questions, this thesis addresses these problems using both theoretical and practical approaches. In the next section, we summarize the achieved results and the contributions.
2.2 Contributions
This thesis mainly concerns bringing the massive MIMO concept into reality. The con- tributions can be summarized in two aspects. First, we put a focus on the TDD channel
Introduction
reciprocity calibration methods, including generalizing and innovating on the calibration algorithms. We also carried out measurements on reciprocity calibration parameters and performed a study on the obtained DL CSIT accuracy. Second, based on reciprocity calibration, we built up an LTE standard compliant massive MIMO testbed, which can directly provide real time Internet services to commercial mobile terminals.
2.2.1 TDD channel reciprocity calibration methods
We propose a general framework for TDD channel reciprocity calibration under the prin- ciple of “antenna partition”. Almost all existing calibration methods in literature can be represented by this general framework. For example, if we partition the array into a refer- ence antenna and a group containing all other antennas, performing bi-directional trans- mission using timely orthogonal pilots, leads to the Argos calibration method in [25]. The method [26] consists in defining groups each with one antenna, whereas a full Avalanche calibration [29] is equivalent to partition the antenna array into groups with max{1, i−1} whereiis the index of the antenna group. This work combines a joint effort from colleagues in Eurecom and Huawei Technology (Paris). The initial proposal on the general framework from the author of this thesis was later greatly improved by contributions from Dirk Slock, Kalyana Gopala, Maxime Guillaud and Alexis Decunringe with a more mathematically sound representation.
These results are presented in Chapter 5 and has lead to
• X. Jiang, A. Decunringe, K. Gopala, F. Kaltenberger, M. Guillaud, D. Slock, and L.
Deneire, “A Framework for Over-the-air Reciprocity Calibration for TDD Massive MIMO Systems”, submitted to IEEE Trans. on Wireless Commun.
Antenna partition also opens up many new possibilities for TDD reciprocity calibration.
In this thesis, we describe three of our proposed methods: Fast calibration, reciprocity calibration for hybrid beamforming system and calibration parameter tracking with change detection.
Fast calibration aims at reducing the number of channel uses (time slots) needed to accom- plish the calibration process. It can be proven that for an antenna array withM antennas, if the channel does not change during the calibration process, the channel uses needed to accomplish the reciprocity calibration isO(√
2M) if the calibration is performed between groups whereas both Argos method and the method in [26] need a number of channel uses on the order of O(M −1). The details are presented in Chapter 5 as an example to illustrate the value of the uniform representation.
For hybrid structures, the common way of enabling beamforming transmission is to per- form beam training in a pre-defined beam set, which leads to significant performance loss in most scenarios. We propose here to partition the whole antenna array into two groups and to use multiple pilot transmission between the two antenna groups to achieve the chan- nel estimation between different antennas. It is then possible to formulate a least squares (LS) problem in order to estimate calibration parameters. Based on this method,we can achieve near perfect CSIT for hybrid beamforming systems.
These results are presented in Chapter 6 and published in
• X. Jiang and F. Kaltenberger, “TDD channel reciprocity calibration in hybrid beam- forming massive MIMO systems”, Technical Report TD(17)04085, COST CA-15104
2.2. CONTRIBUTIONS
IRACON, Lund, Sweden, May 2017.
• X. Jiang and F. Kaltenberger, “TDD channel reciprocity calibration in hybrid beam- forming massive MIMO systems”, submitted to IEEE Journal on Sel. Topics in Sig.
Proc.
Another application using antenna partition consists in calibration parameter tracking. As hardware can not avoid physical phenomenons such as power surge or power interruption, a mechanism to monitor the system health including the consistency of calibration pa- rameters is needed. If we partition the whole antenna array into two groups, it is possible to perform one bi-directional transmission between these two groups and define a metric to detect if all parameters stay the same as previous calibration. In the case where some parameters changed, we further partition the two groups, adopt the same idea and use a binary search tree algorithm to find out which RF chain has its calibration parameter changed. The benefit of parameter tracking is that the system can avoid performing the calibration process if no parameter changes, and needs to only recalibrate the changed parameters otherwise.
These results are presented in Chapter 7 and has lead to
• X. Jiang, F. Kaltenberger, A. Decunringe, M. Guillaud, “Antenna array calibration allowing fast correction of sudden impairments variations”, submitted to European Patent, application number: PCT/EP2017/056303.
We carried out measurements on reciprocity calibration parameters in order to reveal the hardware properties. Especially, we verified the widely adopted assumption in literature that the reciprocity calibration matrix can be assumed diagonal, i.e. calibration coefficients introduced by RF crosstalk and antenna mutual coupling are very small and can be ignored in a practical calibration scheme. The results from the experiment also reveal the evolution of the calibration parameters’ amplitudes and phases on frequency. We then use the obtained calibration coefficients to estimate the DL channel from UL channel estimation and then perform beamforming with the CSIT. We measure the beamforming signal-to- noise ratio (SNR) and compare with the case where calibration is not used in order to illustrate the impact of the reciprocity calibration on the beamforming performance.
These results are presented in Chapter 8 and published in
• X. Jiang, M. ˇCirki´c, F. Kaltenberger, E. G. Larsson, L. Deneire, and R. Knopp,
“MIMO-TDD reciprocity and hardware imbalances: experimental results,” in Proc.
IEEE Intern. Conf. on Commun. (ICC), London, UK, Jun. 2015, pp. 4949–4953.
We also studied the DL CSIT accuracy obtained from TDD reciprocity calibration. As the CSIT is calculated using both estimated UL channel and calibration coefficients, we study the impact of both factors on the CSIT accuracy.
These results are presented in Chapter 9 and published in
• X. Jiang, F. Kaltenberger, and L. Deneire, ”How accurately should we calibrate a massive MIMO TDD system?” in Proc. IEEE ICC 2016 Workshops: Workshop on 5G RAN DESIGN, Kuala Lumpur, Malaysia, May 2016.
